CN116934262B - 一种基于人工智能的施工安全监管系统及方法 - Google Patents

Abstract

本发明涉及施工安全监管技术领域，具体为一种基于人工智能的施工安全监管系统及方法，包括：施工区域检测模块、施工信息采集模块、数据库、风险范围分析模块和施工安全监管模块，通过施工区域检测模块对当前待施工区域的地面平整度进行检测，通过施工信息采集模块采集历史施工过的区域的地面检测信息和施工异常信息，通过数据库存储采集到的全部数据，通过风险范围分析模块在当前待施工的区域中筛选出风险区域，通过施工安全监管模块对用于施工的机械设备进行施工安全监管，在机械设备进入风险区域时及时预警提醒滚翻问题，减少了水利工程施工时机械设备因施工区域地面崎岖不平导致出现滚翻的问题，提高了水利工程施工的安全性。

Description

一种基于人工智能的施工安全监管系统及方法

技术领域

本发明涉及施工安全监管技术领域，具体为一种基于人工智能的施工安全监管系统及方法。

背景技术

随着技术的进步，水利工程的施工质量得到保证，但其安全问题仍没有得到彻底的解决，加强水利施工过程中的安全监管工作一直是水利工程的重点，做好水利工程施工安全监管工作不但可以减少施工成本，提高施工企业的经济效益和社会效益，还有利于实现水资源的额统筹规划，推动水利事业稳步协调发展；

然而，现有的水利工程施工中存在一定的安全隐患，可能导致施工安全事故的发生，例如：水利工程的施工环境中，地面多为崎岖不平，导致用于施工的机械设备工作不稳定，容易出现机械设备滚翻、翻车等安全事故，存在一定的安全风险，对于容易出现设备滚翻问题的施工区域应需格外注意设备问题以防安全事故的发生，现有技术未预先在机械设备处于部分有风险的区域内时做好安全监管和提醒工作，无法有效规避机械设备因施工区域地面崎岖不平导致出现滚翻的问题，无法提高水利工程施工的安全性。

所以，人们需要一种基于人工智能的施工安全监管系统及方法来解决上述问题。

发明内容

本发明的目的在于提供一种基于人工智能的施工安全监管系统及方法，以解决上述背景技术中提出的问题。

为了解决上述技术问题，本发明提供如下技术方案：一种基于人工智能的施工安全监管系统，所述系统包括：施工区域检测模块、施工信息采集模块、数据库、风险范围分析模块和施工安全监管模块；

所述施工区域检测模块的输出端连接所述施工信息采集模块的输入端，所述施工信息采集模块的输出端连接所述数据库的输入端，所述数据库的输出端连接所述风险范围分析模块的输入端，所述风险范围分析模块的输出端连接所述施工安全监管模块的输入端；

所述施工区域检测模块用于对当前待施工区域的地面平整度进行检测，将检测结果传输到所述数据库中；

所述施工信息采集模块用于采集历史施工过的区域的地面检测信息和施工异常信息，将采集到的全部数据传输到所述数据库中；

所述数据库用于存储接收到的全部数据；

所述风险范围分析模块用于在当前待施工的区域中筛选出风险区域；

所述施工安全监管模块用于对用于施工的机械设备进行施工安全监管。

进一步的，所述施工区域检测模块包括地面平整检测单元和施工区域划分单元；

所述施工区域划分单元的输出端连接所述地面平整检测单元的输入端；

所述施工区域划分单元用于将当前待施工区域随机划分为若干个区域，若干个区域组成一个完成的待施工区域；

所述地面平整检测单元用于利用平整度检测仪对当前划分后的待施工区域的地面进行平整度检测，通过深度学习算法对不同区域的地面平整度进行标注，获取地面平整度数据集作为测试集；

利用人工智能技术对不同区域的地面平整度进行标注，有利于帮助快速整合整个待施工区域的测试数据以将测试数据输入到相应的模型中。

进一步的，所述施工信息采集模块包括区域信息采集单元和历史异常信息采集单元；

所述区域信息采集单元的输入端连接所述地面平整检测单元的输出端，所述区域信采集单元和历史异常信息采集单元的输出端连接所述数据库的输入端；

所述区域信息采集单元用于采集以往施工过的区域的地面平整度；

所述历史异常信息采集单元用于采集对应施工过的区域以往出现机械设备滚翻的次数。

进一步的，所述风险范围分析模块包括异常预测模型建立单元、异常概率预测单元和风险区域筛选单元；

所述异常预测模型建立单元的输入端连接所述数据库的输出端，所述异常预测模型建立单元的输出端连接所述异常概率预测单元的输入端，所述异常概率预测单元的输出端连接所述风险区域筛选单元的输入端；

所述异常预测模型建立单元用于分析施工过的区域出现机械设备滚翻的概率，结合地面平整度和概率信息建立施工异常预测模型；

所述异常概率预测单元用于将测试集中的地面平整度数据输入至施工异常预测模型，预测当前待施工区域出现机械设备滚翻的概率；

所述风险区域筛选单元用于比较预测到的概率，从当前待施工区域中筛选出风险区域。

进一步的，所述施工安全监管模块包括施工设备监控单元和风险预警单元；

所述施工设备监控单元的输出端连接所述风险预警单元的输入端，所述风险预警单元的输入端连接所述风险区域筛选单元的输出端；

所述施工设备监控单元用于在当前待施工区域开始施工后，对机械设备的位置进行实时监控；

所述风险预警单元用于在监控到机械设备处于风险区域内时发送警报信号至监控终端，提醒注意机械设备滚翻问题。

一种基于人工智能的施工安全监管方法，包括以下步骤：

Z1：对当前待施工区域的地面平整度进行检测；

Z2：采集历史施工过的区域的地面检测信息和施工异常信息；

Z3：建立施工异常预测模型，预测分类后的区域的施工异常概率；

Z4：比较施工异常概率，在当前待施工区域中筛选出风险区域；

Z5：在用于施工的机械设备处于风险区域内时，对机械设备进行施工安全监管。

进一步的，在步骤Z1中：将当前待施工区域随机划分为k个区域，利用平整度检测仪对k个区域的地面平整度进行检测，获取到当前待施工的k个区域的地面平整度集合为Q＝{Q₁，Q₂，…，Q_i，…，Q_k}。

进一步的，在步骤Z2中：采集到以往施工过的区域的地面平整度集合为M＝{M₁，M₂，…，M_f}，对应施工过的区域以往出现机械设备滚翻的次数集合为C＝{C₁，C₂，…，C_f}，其中，C中的元素都不为0，f表示采集到的以往施工过的区域个数。

进一步的，在步骤Z3中：根据公式计算随机一个施工过的区域的施工异常概率为P_j，得到f个施工过的区域的施工异常概率集合为P＝{P₁，P₂，…，P_f}，其中，j＝1,2,…,f，j表示第j个施工过的区域，C_j表示第j个施工过的区域以往出现机械设备滚翻的次数，得到训练数据集为{(M₁，P₁)，(M₂，P₂)，…，(M_j，P_j)，…，(M_f，P_f)}，对训练数据集进行直线拟合，建立施工异常预测模型：/>其中，/>和/>表示拟合系数，通过求解/>和/>得到最终的施工异常预测模型，根据下列公式分别求解/>和/>

其中，M_j表示第j个施工过的区域的地面平整度，将Q_i代入施工异常预测模型，令x＝Q_i，预测得到当前待施工的第i个区域的施工异常概率为Y_i，将当前待施工的k个区域的地面平整度代入施工异常预测模型中，预测得到当前待施工的k个区域的施工异常概率集合为Y＝{Y₁，Y₂，…，Y_i，…，Y_k}，其中，Q_i表示当前待施工的第i个区域的地面平整度；

为了评判当前待施工区域会发生机械设备滚翻异常现象的概率，通过大数据技术采集并分析历史机械设备滚翻异常数据以及出现滚翻时机械设备所在区域的地面平整度数据，将上述数据组合形成数据点，作为建立施工异常预测模型的训练样本，利用最小二乘法建立施工异常预测模型，目的在于预测当前平整度不同的区域会发生机械设备滚翻异常的概率，结合历史出现机械设备滚翻的实际数据预测异常概率，有利于提高预测结果的准确度。

进一步的，在步骤Z4中：比较当前待施工的k个区域的施工异常概率，将施工异常概率按从大到小的顺序进行排列，将k个区域按施工异常概率大小分为n类，其中，前一类中所有区域的施工异常概率都大于后一类，获取到随机一种分类结果中，n类中每类区域的施工异常概率均值集合为S＝{S₁，S₂，…，S_a，…，S_n}，根据下列公式选择最优的分类结果：

其中，L_e表示第e种分类结果中n类区域施工异常概率的差异度，S_a表示第e种分类结果中，n类中第a类区域的施工异常概率均值，通过相同计算方式得到不同分类结果中，n类区域施工异常概率的差异度，比较差异度，选择差异度最大的分类结果为最优的分类结果，筛选出最优的分类结果中第一类的待施工区域为风险区域；

在预测得到不同区域的施工异常概率后，依据概率数据筛选出部分风险较大的区域，目的在于提前在机械设备进入风险较大的区域内时做好安全监管工作，及时提醒注意施工区域不平、容易出现机械设备滚翻的问题，减少了水利工程施工时机械设备因施工区域地面崎岖不平导致出现滚翻的现象，提高了水利工程施工的安全性；

在筛选风险区域时，采用将区域按照异常概率大小分为不同类的方式，再通过选择最优的分类结果，将异常概率最相近的区域归为一类，有利于选择出异常概率偏大的待施工区域作为风险区域，这样选择出的风险区域普遍更容易发生机械设备滚翻问题，对采用上述方式选择出的风险区域内出现的机械设备进行预警，有利于提升提醒注意机械设备滚翻问题的有效程度和价值。

进一步的，在步骤Z5中：在当前待施工区域开始施工后，对机械设备的位置进行实时监控，在监控到机械设备处于风险区域内时，发送警报信号至监控终端，提醒注意机械设备滚翻问题。

与现有技术相比，本发明所达到的有益效果是：

本发明通过在施工过程中对机械设备进行安全监管，降低了施工安全事故发生的概率；通过大数据技术采集并分析历史机械设备滚翻异常数据以及出现滚翻时机械设备所在区域的地面平整度数据，将上述数据组合形成数据点，作为建立施工异常预测模型的训练样本，利用最小二乘法建立施工异常预测模型，预测当前平整度不同的区域会发生机械设备滚翻异常的概率，结合历史出现机械设备滚翻的实际数据预测异常概率，提高了预测结果的准确度；

在预测得到不同区域的施工异常概率后，依据概率数据筛选出部分风险较大的区域，提前在机械设备进入风险较大的区域内时做好安全监管工作，及时提醒注意施工区域不平、容易出现机械设备滚翻的问题，减少了水利工程施工时机械设备因施工区域地面崎岖不平导致出现滚翻的现象，提高了水利工程施工的安全性；

在筛选风险区域时，采用将区域按照异常概率大小分为不同类的方式，再通过选择最优的分类结果，将异常概率最相近的区域归为一类，有利于选择出异常概率偏大的待施工区域作为风险区域，对采用上述方式选择出的风险区域内出现的机械设备进行预警，提升了提醒注意机械设备滚翻问题的有效程度和价值。

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：

图1是本发明一种基于人工智能的施工安全监管系统的结构图；

图2是本发明一种基于人工智能的施工安全监管方法的流程图。

具体实施方式

以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。

下面结合图1-图2和具体实施例对本发明作进一步的说明。

实施例一：

如图1所示，本实施例提供了一种基于人工智能的施工安全监管系统，系统包括：施工区域检测模块、施工信息采集模块、数据库、风险范围分析模块和施工安全监管模块；

施工区域检测模块的输出端连接施工信息采集模块的输入端，施工信息采集模块的输出端连接数据库的输入端，数据库的输出端连接风险范围分析模块的输入端，风险范围分析模块的输出端连接施工安全监管模块的输入端；

施工区域检测模块用于对当前待施工区域的地面平整度进行检测，将检测结果传输到数据库中；

施工信息采集模块用于采集历史施工过的区域的地面检测信息和施工异常信息，将采集到的全部数据传输到数据库中；

数据库用于存储接收到的全部数据；

风险范围分析模块用于在当前待施工的区域中筛选出风险区域；

施工安全监管模块用于对用于施工的机械设备进行施工安全监管。

施工区域检测模块包括地面平整检测单元和施工区域划分单元；

施工区域划分单元的输出端连接地面平整检测单元的输入端；

施工区域划分单元用于将当前待施工区域随机划分为若干个区域；

地面平整检测单元用于利用平整度检测仪对当前划分后的待施工区域的地面进行平整度检测，通过深度学习算法对不同区域的地面平整度进行标注，获取地面平整度数据集作为测试集。

施工信息采集模块包括区域信息采集单元和历史异常信息采集单元；

区域信息采集单元的输入端连接地面平整检测单元的输出端，区域信采集单元和历史异常信息采集单元的输出端连接数据库的输入端；

区域信息采集单元用于采集以往施工过的区域的地面平整度；

历史异常信息采集单元用于采集对应施工过的区域以往出现机械设备滚翻的次数。

风险范围分析模块包括异常预测模型建立单元、异常概率预测单元和风险区域筛选单元；

异常预测模型建立单元的输入端连接数据库的输出端，异常预测模型建立单元的输出端连接异常概率预测单元的输入端，异常概率预测单元的输出端连接风险区域筛选单元的输入端；

异常预测模型建立单元用于分析施工过的区域出现机械设备滚翻的概率，结合地面平整度和概率信息建立施工异常预测模型；

异常概率预测单元用于将测试集中的地面平整度数据输入至施工异常预测模型，预测当前待施工区域出现机械设备滚翻的概率；

风险区域筛选单元用于比较预测到的概率，从当前待施工区域中筛选出风险区域。

施工安全监管模块包括施工设备监控单元和风险预警单元；

施工设备监控单元的输出端连接风险预警单元的输入端，风险预警单元的输入端连接风险区域筛选单元的输出端；

施工设备监控单元用于在当前待施工区域开始施工后，对机械设备的位置进行实时监控；

风险预警单元用于在监控到机械设备处于风险区域内时发送警报信号至监控终端，提醒注意机械设备滚翻问题。

实施例二：

如图2所示，本实施例提供了一种基于人工智能的施工安全监管方法，其基于实施例中的监管系统实现，具体包括以下步骤：

Z1：对当前待施工区域的地面平整度进行检测，将当前待施工区域随机划分为k个区域，利用平整度检测仪对k个区域的地面平整度进行检测，获取到当前待施工的k个区域的地面平整度集合为Q＝{Q₁，Q₂，…，Q_i，…，Q_k}，

平整度的衡量方式示例如下：

以随机一个区域为例，选取一个水平面作为基准面，检测到对应区域m个点到基准面的垂直距离集合为d＝{d₁，d₂，…，d_m}，按照计算标准差的方式衡量对应区域的平整度Q_i，得到通过相同的方式获取得到不同区域的地面平整度，标准差越大，判断对应区域的地面平整度越小，即地面越不平整；

例如：将当前待施工区域随机划分为7个区域，利用平整度检测仪对7个区域的地面平整度进行检测，通过上述方式获取到当前待施工的7个区域的地面平整度集合为Q＝{Q₁，Q₂，Q₃，Q₄，Q₅，Q₆，Q₇}＝{0.31，0.25，0.55，0.96，0.36，0.72，0.63}；

Z2：采集历史施工过的区域的地面检测信息和施工异常信息，采集到以往施工过的区域的地面平整度集合为M＝{M₁，M₂，…，M_f}，对应施工过的区域以往出现机械设备滚翻的次数集合为C＝{C₁，C₂，…，C_f}，其中，C中的元素都不为0，f表示采集到的以往施工过的区域个数；

Z3：建立施工异常预测模型，预测分类后的区域的施工异常概率，根据公式计算随机一个施工过的区域的施工异常概率为P_j，得到f个施工过的区域的施工异常概率集合为P＝{P₁，P₂，…，P_f}，其中，j＝1,2,…,f，j表示第j个施工过的区域，C_j表示第j个施工过的区域以往出现机械设备滚翻的次数，得到训练数据集为{(M₁，P₁)，(M₂，P₂)，…，(M_j，P_j)，…，(M_f，P_f)}，对训练数据集进行直线拟合，建立施工异常预测模型：其中，/>和/>表示拟合系数，通过求解/>和/>得到最终的施工异常预测模型，根据下列公式分别求解/>和/>

其中，M_j表示第j个施工过的区域的地面平整度；

例如：采集到以往施工过的区域的地面平整度集合为M＝{M₁，M₂，M₃，M₄，M₅}＝{0.69，0.72，0.23，0.15，0.35}，对应施工过的区域以往出现机械设备滚翻的次数集合为C＝{C₁，C₂，C₃，C₄，C₅}＝{4，2，6，8，5}，计算得到5个施工过的区域的施工异常概率集合为P＝{P₁，P₂，P₃，P₄，P₅}＝{0.16，0.08，0.24，0.32，0.20}，得到训练数据集为{(M₁，P₁)，(M₂，P₂)，(M₃，P₃)，(M₄，P₄)，(M₅，P₅)}＝{(0.69，0.16)，(0.72，0.08)，(0.23，0.24)，(0.15，0.32)，(0.35，0.20)}，对训练数据集进行直线拟合，建立施工异常预测模型：计算得到/>得到y＝-0.31x+0.33；

将Q_i代入施工异常预测模型，令x＝Q_i，预测得到当前待施工的第i个区域的施工异常概率为Y_i，将当前待施工的k个区域的地面平整度代入施工异常预测模型中，预测得到当前待施工的k个区域的施工异常概率集合为Y＝{Y₁，Y₂，…，Y_i，…，Y_k}，其中，Q_i表示当前待施工的第i个区域的地面平整度；

代入得到当前待施工的k个区域的施工异常概率集合为Y＝{Y₁，Y₂，Y₃，Y₄，Y₅，Y₆，Y₇}＝{0.23，0.25，0.16，0.03，0.22，0.11，0.13}；

Z4：比较施工异常概率，在当前待施工区域中筛选出风险区域，比较当前待施工的k个区域的施工异常概率，将施工异常概率按从大到小的顺序进行排列，将k个区域按施工异常概率大小分为n＝3类，其中，前一类中所有区域的施工异常概率都大于后一类，获取到随机一种分类结果中，3类中每类区域的施工异常概率集合分别为{0.25，0.23}、{0.22，0.16，0.13}和{0.11，0.03}，每类区域的施工异常概率均值集合为S＝{S₁，S₂，S₃}＝{0.24，0.17，0.07}，根据下列公式选择最优的分类结果：

得到对应分类结果中3类区域施工异常概率的差异度L_e≈0.07，S_a表示第e种分类结果中，n类中第a类区域的施工异常概率均值，通过相同计算方式得到不同分类结果中，n类区域施工异常概率的差异度，比较差异度，选择差异度最大的分类结果为最优的分类结果，获取到最优的分类结果为：3类中每类区域的施工异常概率集合分别为{0.25，0.23，0.22}、{0.16，0.13，0.11}和{0.03}，筛选出第一类的待施工区域，即第一、第二和第五个区域为风险区域；

Z5：在当前待施工区域开始施工后，对机械设备的位置进行实时监控，在监控到机械设备处于风险区域内时，发送警报信号至监控终端，提醒注意机械设备滚翻问题。

最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于人工智能的施工安全监管系统，其特征在于：所述系统包括：施工区域检测模块、施工信息采集模块、数据库、风险范围分析模块和施工安全监管模块；

所述施工区域检测模块的输出端连接所述施工信息采集模块的输入端，所述施工信息采集模块的输出端连接所述数据库的输入端，所述数据库的输出端连接所述风险范围分析模块的输入端，所述风险范围分析模块的输出端连接所述施工安全监管模块的输入端；

所述施工区域检测模块用于对当前待施工区域的地面平整度进行检测，将检测结果传输到所述数据库中；

所述施工信息采集模块用于采集历史施工过的区域的地面检测信息和施工异常信息，将采集到的全部数据传输到所述数据库中；

所述数据库用于存储接收到的全部数据；

所述风险范围分析模块用于在当前待施工的区域中筛选出风险区域；

所述施工安全监管模块用于对用于施工的机械设备进行施工安全监管；

所述施工区域检测模块包括地面平整检测单元和施工区域划分单元；

所述施工区域划分单元的输出端连接所述地面平整检测单元的输入端；

所述施工区域划分单元用于将当前待施工区域随机划分为若干个区域；

所述地面平整检测单元用于利用平整度检测仪对当前划分后的待施工区域的地面进行平整度检测，通过深度学习算法对不同区域的地面平整度进行标注，获取地面平整度数据集作为测试集；

所述风险范围分析模块包括异常预测模型建立单元、异常概率预测单元和风险区域筛选单元；

所述异常预测模型建立单元的输入端连接所述数据库的输出端，所述异常预测模型建立单元的输出端连接所述异常概率预测单元的输入端，所述异常概率预测单元的输出端连接所述风险区域筛选单元的输入端；

所述异常预测模型建立单元用于分析施工过的区域出现机械设备滚翻的概率，结合地面平整度和概率信息建立施工异常预测模型；

所述异常概率预测单元用于将测试集中的地面平整度数据输入至施工异常预测模型，预测当前待施工区域出现机械设备滚翻的概率；

所述风险区域筛选单元用于比较预测到的概率，从当前待施工区域中筛选出风险区域；

将当前待施工区域随机划分为k个区域，利用平整度检测仪对k个区域的地面平整度进行检测，获取到当前待施工的k个区域的地面平整度集合为Q＝{Q₁，Q₂，…，Q_i，…，Q_k}；

采集到以往施工过的区域的地面平整度集合为M＝{M₁，M₂，…，M_f}，对应施工过的区域以往出现机械设备滚翻的次数集合为C＝{C₁，C₂，…，C_f}，其中，C中的元素都不为0，f表示采集到的以往施工过的区域个数；

根据公式计算随机一个施工过的区域的施工异常概率为P_j，得到f个施工过的区域的施工异常概率集合为P＝{P₁，P₂，…，P_f}，其中，j＝1,2,…,f，j表示第j个施工过的区域，C_j表示第j个施工过的区域以往出现机械设备滚翻的次数，得到训练数据集为{(M₁，P₁)，(M₂，P₂)，…，(M_j，P_j)，…，(M_f，P_f)}，对训练数据集进行直线拟合，建立施工异常预测模型：/>其中，/>和/>表示拟合系数，通过求解/>和/>得到最终的施工异常预测模型，根据下列公式分别求解/>和/>

其中，M_j表示第j个施工过的区域的地面平整度，将Q_i代入施工异常预测模型，令x＝Q_i，预测得到当前待施工的第i个区域的施工异常概率为Y_i， 将当前待施工的k个区域的地面平整度代入施工异常预测模型中，预测得到当前待施工的k个区域的施工异常概率集合为Y＝{Y₁，Y₂，…，Y_i，…，Y_k}，其中，Q_i表示当前待施工的第i个区域的地面平整度；

比较当前待施工的k个区域的施工异常概率，将施工异常概率按从大到小的顺序进行排列，将k个区域按施工异常概率大小分为n类，获取到随机一种分类结果中，n类中每类区域的施工异常概率均值集合为S＝{S₁，S₂，…，S_a，…，S_n}，根据下列公式选择最优的分类结果：

其中，L_e表示第e种分类结果中n类区域施工异常概率的差异度，S_a表示第e种分类结果中，n类中第a类区域的施工异常概率均值，通过相同计算方式得到不同分类结果中，n类区域施工异常概率的差异度，比较差异度，选择差异度最大的分类结果为最优的分类结果，筛选出最优的分类结果中第一类的待施工区域为风险区域。

2.根据权利要求1所述的一种基于人工智能的施工安全监管系统，其特征在于：所述施工信息采集模块包括区域信息采集单元和历史异常信息采集单元；

所述区域信息采集单元的输入端连接所述地面平整检测单元的输出端，所述区域信采集单元和历史异常信息采集单元的输出端连接所述数据库的输入端；

所述区域信息采集单元用于采集以往施工过的区域的地面平整度；

所述历史异常信息采集单元用于采集对应施工过的区域以往出现机械设备滚翻的次数。

3.根据权利要求1所述的一种基于人工智能的施工安全监管系统，其特征在于：所述施工安全监管模块包括施工设备监控单元和风险预警单元；

所述施工设备监控单元的输出端连接所述风险预警单元的输入端，所述风险预警单元的输入端连接所述风险区域筛选单元的输出端；

所述施工设备监控单元用于在当前待施工区域开始施工后，对机械设备的位置进行实时监控；

所述风险预警单元用于在监控到机械设备处于风险区域内时发送警报信号至监控终端，提醒注意机械设备滚翻问题。

4.一种基于人工智能的施工安全监管方法，其特征在于：包括以下步骤：

Z1：对当前待施工区域的地面平整度进行检测；

Z2：采集历史施工过的区域的地面检测信息和施工异常信息；

Z3：建立施工异常预测模型，预测分类后的区域的施工异常概率；

Z4：比较施工异常概率，在当前待施工区域中筛选出风险区域；

Z5：在用于施工的机械设备处于风险区域内时，对机械设备进行施工安全监管；

在步骤Z1中：将当前待施工区域随机划分为k个区域，利用平整度检测仪对k个区域的地面平整度进行检测，获取到当前待施工的k个区域的地面平整度集合为Q＝{Q₁，Q₂，…，Q_i，…，Q_k}；

在步骤Z2中：采集到以往施工过的区域的地面平整度集合为M＝{M₁，

M₂，…，M_f}，对应施工过的区域以往出现机械设备滚翻的次数集合为C＝{C₁，C₂，…，C_f}，其中，C中的元素都不为0，f表示采集到的以往施工过的区域个数；

在步骤Z3中：根据公式计算随机一个施工过的区域的施工异常概率为P_j，得到f个施工过的区域的施工异常概率集合为P＝{P₁，P₂，…，P_f}，其中，j＝1,2,…,f，j表示第j个施工过的区域，C_j表示第j个施工过的区域以往出现机械设备滚翻的次数，得到训练数据集为{(M₁，P₁)，(M₂，P₂)，…，(M_j，P_j)，…，(M_f，P_f)}，对训练数据集进行直线拟合，建立施工异常预测模型：/>其中，/>和/>表示拟合系数，通过求解/>和/>得到最终的施工异常预测模型，根据下列公式分别求解/>和/>

其中，M_j表示第j个施工过的区域的地面平整度，将Q_i代入施工异常预测模型，令x＝Q_i，预测得到当前待施工的第i个区域的施工异常概率为Y_i， 将当前待施工的k个区域的地面平整度代入施工异常预测模型中，预测得到当前待施工的k个区域的施工异常概率集合为Y＝{Y₁，Y₂，…，Y_i，…，Y_k}，其中，Q_i表示当前待施工的第i个区域的地面平整度；

在步骤Z4中：比较当前待施工的k个区域的施工异常概率，将施工异常概率按从大到小的顺序进行排列，将k个区域按施工异常概率大小分为n类，获取到随机一种分类结果中，n类中每类区域的施工异常概率均值集合为S＝{S₁，S₂，…，S_a，…，S_n}，根据下列公式选择最优的分类结果：

其中，L_e表示第e种分类结果中n类区域施工异常概率的差异度，S_a表示第e种分类结果中，n类中第a类区域的施工异常概率均值，通过相同计算方式得到不同分类结果中，n类区域施工异常概率的差异度，比较差异度，选择差异度最大的分类结果为最优的分类结果，筛选出最优的分类结果中第一类的待施工区域为风险区域。

5.根据权利要求4所述的一种基于人工智能的施工安全监管方法，其特征在于：在步骤Z5中：在当前待施工区域开始施工后，对机械设备的位置进行实时监控，在监控到机械设备处于风险区域内时，发送警报信号至监控终端，提醒注意机械设备滚翻问题。